model使用lm,glm线性模型拟合结果
model <- lm(y ~ x....)
做出点与预测函数的曲线
>plot(x,y)
>lines(x,predict(model))
当评价模型的适用性时,你可以绘制初始响应变量的预测值与残差的图形。例如,如下代码,可绘制一个常见的诊断图:
#model使用lm,glm线性模型拟合结果
>plot(predict(model,type = "response"),residuals(model,type = "deviance"))
R将列出帽子值(hat value)、学生化残差值和Cook距离统计量的近似值。不过,对于识别异常点的阈值,现在并没统一答案,它们都是通过相互比较来进行判断。其中一个方法就是绘制各统计量的参考图,然后找出异常大的值。例如,如下代码可创建三幅诊断图:
> plot(hatvalues(model))
> #identitfy是交互函数
> identify(1:n,hatvalues(model),names(hatvalues(model)))
图中标注的两个点是identity函数交互得到,显示结果是(fitted(model) 里值1775,800的点)
> plot(rstudent(fit.full))
> identify(1:n,rstudent(fit.full),names(rstudent(fit.full)))
>plot(cooks.distance(fit.full))
>identify(1:n,cooks.distance(fit.full),cooks.distance(fit.full))
你还可以用其他方法,代码如下:
它可以创建一个综合性的诊断图。在后面的图形中,横轴代表杠杆值,纵轴代表学生化残差
值,而绘制的符号大小与Cook距离大小成正比。
>library(car)
>influencePlot(model)